Fortgeschrittenes Tischtennisball-Tracking mit Raspberry Pi und OpenCV

HINWEIS: Dies ist ein fortgeschrittenes Tutorial, nicht für Linux-Einsteiger geeignet.

In diesem Leitfaden zeigen wir, wie man Tischtennisbälle – oder jedes deutlich sichtbare runde Objekt – mit OpenCV auf einem Raspberry Pi detektiert und trackt. Die Technik ist wertvoll für Robotik-Projekte, Sportanalysen oder Hobby-Experimente.

Voraussetzungen

• Raspberry Pi mit aktuellem Raspbian (Download unter raspberrypi.org/downloads)
• USB-Webcam, kompatibel mit dem Pi
• Linux-Host (Linux Mint 17, Ubuntu oder ähnlich) für Entwicklung und Dateiübertragung
• Vertrautheit mit Debian-basierten Systemen

Schritt 1: Ersteinrichtung

1. Pi mit Tastatur, Maus, Webcam, Ethernet oder WLAN-Dongle, HDMI-Display und Strom verbinden.
2. Einschalten und in die Raspbian-GUI booten.
3. Terminal öffnen und OpenCV installieren. Folgen Sie Trevor Appltons umfassender Anleitung zur Bestätigung der Installation (OpenCV auf Raspberry Pi installieren).
4. bdtct.py via scp oder USB-Stick in das Home-Verzeichnis des Pi übertragen.

Schritt 2: Tracking-Code ausführen

1. Im Pi-Terminal in den Ordner mit bdtct.py wechseln.
2. Skript ausführen:
   sudo python bdtct.py
3. Fünf Fenster sollten erscheinen: Originalvideo, „Tracking“-Ansicht und drei HSV-Einstell-Panels.
4. Einen Tischtennisball (bevorzugt gelb) der Webcam präsentieren.
5. Die „HueComp“, „SatComp“ und „ValComp“-Regler so lange justieren, bis die Ball-Pixel die einzige weiße Region im „Closing“-Fenster sind. Diese Werte für die spätere Nutzung notieren, indem Sie bdtct.py bearbeiten.

Schritt 3: Algorithmus verstehen

Öffnen Sie bdtct.py in Ihrem Editor, um folgenden Workflow zu sehen:

1. Video vom Standardkamera-Device erfassen: cap = cv2.VideoCapture(-1)
2. Frames auf 320×240 verkleinern, um die Framerate auf dem Pi zu erhöhen.
3. Interaktive Fenster mit Min/Max-Reglern für Hue, Sättigung und Wert erstellen.
4. Jeden Frame von BGR nach HSV konvertieren: hsv = cv2.cvtColor(frame, cv2.COLOR_BGR2HSV).
5. HSV in separate Kanäle aufsplitten.
6. Jeden Kanal basierend auf Regler-Bereichen schwellenwertbasiert in binäre Masken umwandeln.
7. Die drei Masken per logischem UND kombinieren, um Ball-Pixel zu isolieren.
8. Gaußschen Blur anwenden, um das Ergebnis zu glätten.
9. cv2.HoughCircles zur Kreiserkennung nutzen.
10. Erkannte Kreise zur Visualisierung auf den Original-Frame zurückzeichnen.

Für tiefere Einblicke siehe die vollständige Projektdokumentation.